Prediction of energy performance gap in buildings with machine learning algorithms
Makine öğrenme algoritmalarıyla binalarda enerji performans farkının tahmini
- Tez No: 759981
- Danışmanlar: PROF. DR. ALİ MURAT TANYER, PROF. DR. İREM DİKMEN TOKER
- Tez Türü: Doktora
- Konular: Enerji, Mimarlık, Energy, Architecture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mimarlık Ana Bilim Dalı
- Bilim Dalı: Yapı Bilim Dalı
- Sayfa Sayısı: 274
Özet
Enerji performansı farkı, hükümetlerin yabancı enerji kaynaklarına bağımlılığı azaltmalarının yanı sıra, politika yapıcıların binaların çevresel etkilerini azaltma konusundaki gelecekteki hedeflerinde başarılı olmaları için engeller sunuyor. Binalardaki enerji performans farkının nedenleri, azaltılması veya nicelleştirilmesine odaklanan önemli araştırmalara rağmen, geçmişte karar vericileri olası bir performans boşluğu hakkında bilgilendirecek yöntemlere çok az ilgi gösterilmiştir. Bu tür çalışmalar, binalarda beklenen enerji performans seviyelerine ulaşmak için karar vericilerin eylemlerini ve stratejilerini değiştirebilir. Bu araştırma, bina yaşam döngüsü boyunca meydana gelen proje riskleri nedeniyle performans farkı oluştuğu fikrini desteklemektedir. Bu nedenle araştırma, binalardaki enerji performans farkını proje riskleri merceğinden incelemiş ve performans farklarının tahmininde makine öğrenimi sınıflandırma tekniğinin potansiyelini ortaya koymuştur. Araştırmanın amacına ulaşmak için, ilk olarak, literatür taraması ve altı enerji verimli bina üzerinde çalışan 11 uzmanla yarı yapılandırılmış görüşmeler yapıldıktan sonra kavramsal bir performans farkı çerçevesi önerilmiştir. Daha sonra çerçeve, veri toplama için web tabanlı bir anket olarak tasarlanmıştır. Web tabanlı anket kullanılarak toplam 77 binanın performans farkı ve proje riskleri hakkında bilgi toplanmıştır. Son olarak, bu veri seti kullanarak, dört makine öğrenimi sınıflandırma algoritmasının (1) Naïve Bayes, (2) KNN, (3) SVM, (4) Random Forest performansı, altı performans metriğine dayalı olarak en iyi tahmin modelini bulmak için karşılaştırılmıştır (Doğruluk, kappa istatistiği, kesinlik, geri çağırma, F-skoru ve AUC). Enerji performans farkı tahmin problemi binaların ısıtma talebi ve elektrik talebine odaklanarak incelenmiştir. İlk olarak, pozitif ve negatif performans farkı gösterebilecek vakaları ayırt etmek için veri kümeleri incelenmiştir (ikili sınıflandırma problemi). Bunu takiben, düşük (% 0-15), orta (% 15,1-40) ve yüksek (% 40,1-90), kategorileri kullanılarak binalardaki performans farkı seviyesini tahmin etmek için daha küçük veri kümeleri incelenmiştir (çok sınıflı sınıflandırma problemi). Sonuçlar, Naive Bayes'in sınıflandırma problemlerinin çoğunda en iyi sınıflandırma doğruluğunu verdiğini göstermektedir. KNN, elektrik performans farkı tahmini için en yüksek doğruluğu (%79,00) gösterirken, Naïve Bayes, ikili sınıflandırmada ısıtma performans farkı tahmini için önerilen (%72,50 doğruluk) algoritmadır. Ayrıca çok sınıflı sınıflandırmada Naïve Bayes pozitif elektrik performans farkı için %77,08 doğruluk elde ederken, SVM pozitif ısıtma performans farkı tahmini için %76,04 doğruluk elde etmiştir. Son olarak, çok sınıflı sınıflandırmada Naïve Bayes, negatif elektrik performans farkı ve ısıtma performans farkını çözmek için sırasıyla %83,85 ve %71,81 doğruluk sağlamıştır.
Özet (Çeviri)
The energy performance gap presents obstacles for governments to reduce dependency on foreign energy sources, as well as for policymakers to be successful in future ambitions about reducing the environmental impacts of buildings. Although considerable research focused on the reasons, reduction, or quantification of the energy performance gap in buildings, little attention has been given in the past to methods that would inform decision makers about a likely performance gap. Such studies could change the actions and strategies of decision makers to achieve expected energy performance levels in buildings. This research supports the idea that performance gap occurs due to project risks occurring during the building life cycle. Therefore, the research examined the energy performance gap in buildings through the lens of project risks and demonstrated the potential of the machine learning classification technique in the prediction of performance gaps. To achieve the aim of the research, first, a conceptual performance gap framework was proposed after a literature review and conducting semi-structured interviews with 11 experts working on six energy-efficient buildings. Later, the framework was designed as a web-based survey for data collection. Information about the performance gap and project risks of a total of 77 buildings was collected using the web-based survey. Lastly, using this dataset, the performance of the four machine learning classification algorithms (1) Naïve Bayes, (2) KNN, (3) SVM, and (4) Random Forest were compared to find the best prediction model based on six performance metrics (Accuracy, kappa statistic, precision, recall, F-measure, and AUC). Energy performance gap prediction problems were studied focusing on the heating demand and electricity demand of buildings. First, datasets were studied to distinguish cases that might show a positive and negative performance gap (binary classification problem). Following that, smaller datasets were studied to predict the level of performance gap in buildings using the following categories, low (0-15%), medium (15.1-40%), and high (40.1-90%), (multi-class classification problem). The results indicate that Naïve Bayes gives the best classification accuracy on the majority of the classification problems. While KNN shows the highest accuracy for electricity performance gap prediction (79.00%), Naïve Bayes is the suggested algorithm for heating performance gap prediction (72.50% accuracy) to solve binary classification. Moreover, in multi-class classification, while Naïve Bayes achieved an accuracy of 77.08% for positive electricity performance gap, SVM achieved an accuracy of 76.04% for positive heating performance gap prediction. Lastly, in multi-class classification, Naïve Bayes provided an accuracy of 83.85% and 71.81% to solve the negative electricity performance gap and heating performance gap, respectively.
Benzer Tezler
- Exploring energy-related occupant behavior in office buildings: An interdisciplinary study in the context of building physics and social psychology
Ofis binalarında enerji ile ilgili kullanıcı davranışlarının araştırılması: Bina fiziği ve sosyal psikoloji bağlamında disiplinlerarası bir çalışma
İREM ÇAĞLAYAN
Doktora
İngilizce
2024
Mimarlıkİhsan Doğramacı Bilkent Üniversitesiİç Mimarlık ve Çevre Tasarımı Ana Bilim Dalı
PROF. DR. YASEMİN AFACAN
DR. ÖĞR. ÜYESİ MEHMET SAKİN
- An experimental study on the behavior of square short concrete columns confined with hybrid frpunder monotonic axial compression stress
Monotonik eksenel basınç yüklemesi altında hibrit liflipolimer malzeme ile sargılanmış kare beton kolonların davranışı üzerine deneysel bir çalışma
BILAL IBRAHIM MAJEED AL-OUBAIDI
Yüksek Lisans
İngilizce
2024
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEDİNE İSPİR ARSLAN
- Betonarme kolonların deprem performansının tekstil donatılı / donatısız cam lifli püskürtme harçla iyileştirilmesi
Improvement of seismic performance of reinforced concrete columns using glass fiber reinforced sprayed mortar with / without textile reinforcement
ALİ OSMAN ATEŞ
Doktora
Türkçe
2022
Deprem Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ALPER İLKİ
- Düşük bir hızlarında konuşma kodlama ve uygulamaları
Low bit rate speech coding and applications
TARIK AŞKIN
Doktora
Türkçe
1999
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. GÜNSEL DURUSOY
- Ofislerde kullanıcı varlığı ve pencere açma davranışındaki değişikliklerin saptanması ve modellenmesi: COVID-19 pandemisinin etkileri
Assessment and modeling of changes in occupant presence and window opening behavior in offices: impacts of the COVID-19 pandemic
SELİN GİRİŞEN
Yüksek Lisans
Türkçe
2023
MimarlıkEskişehir Osmangazi ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. BAŞAK GÜÇYETER